Claude Opus 5.5 lidera el nuevo índice de IA, pero los modelos de pesos abiertos se hunden 12 puntos por detrás
Artificial Analysis Intelligence Index v5
Artificial Analysis lanza el Intelligence Index v5, su mayor actualización desde enero: el 60% del índice ya se basa en conjuntos de prueba privados. Claude Opus 5.5 (max) encabeza con 58 puntos, seguido de GPT-6 Astra (57) y GPT-6.1 Sol (55). La brecha de los modelos de pesos abiertos crece de 3 a 12 puntos: el mejor, Kimi K3.1 Pro, queda en 46, y entre los pesos ya liberados DeepSeek V4.1 Flash y GLM-5.3 apenas alcanzan 32. El coste por tarea varía más de 13 veces entre los líderes.
v5 deja un margen significativo de progreso en las nueve evaluaciones, y ningún modelo lidera en todas.
- peri-cl
El artículo no revela que eliminaron discretamente varios modelos de pesos abiertos del nuevo benchmark. Populares. No están en las gráficas; no están disponibles para añadirlos manualmente a las gráficas; y sus páginas individuales de modelo ahora muestran puntuaciones de "N/A".
GLM 5.3-flash: N/A
https://artificialanalysis.ai/models/glm-5-3-flash/
Qwen 3.8-flash-next: N/A
- simonjgreen
Puede que esta sea la primera vez que marco un post como favorito sin darle un voto positivo.
Esto es muy sospechoso. Me encantaría una explicación más detallada y la "opinión" de AA sobre qué problema consideraban que había que corregir y por qué las cosas se han reorganizado como lo han hecho. Y cómo pueden afirmar que su índice tiene relevancia si las posiciones se pueden cambiar tan fácilmente.
- kamov
La elección de lenguajes naturales en el índice multilingüe me parece bastante extraña y sesgada; intentaron abarcar un amplio abanico de lenguas asiáticas, pero luego hay como cuatro lenguas romances europeas. No incluyeron ninguna eslava, es decir, ruso, ni ninguna nórdica como el sueco, ni ninguna fino-úgrica. Y estas romances probablemente estén sobrerrepresentadas en los datos de entrenamiento de todos modos
- chvid
"El verificador de FrontierCode califica cada intento con las pruebas y la rúbrica de la tarea. Usamos GPT-6 Luna (medium) como juez LLM"
¿Por qué usan un LLM de código cerrado como juez? Los proveedores de código cerrado pueden ver tu tráfico y ajustarlo como les parezca.
- lousken
Es vergonzoso lo mucho que adulan a los laboratorios estadounidenses mientras esos modelos solo rinden bien los primeros días tras su lanzamiento. Con los pesos abiertos puedes estar seguro de que la calidad se mantiene igual, a diferencia de la basura de código cerrado. ¿Qué tal una nueva prueba después de un tiempo?